本研究提出了一种简单的基线模型LMMRotate，旨在解决多模态语言模型在航空检测任务中的不足。该基线通过文本输出和公平评估，检测性能与传统模型相当，为未来研究提供了参考。

本研究推出OpenNER 1.0，这是一个标准化的开放获取命名实体识别数据集，涵盖51种语言的34个数据集，旨在推动多语言NER研究并提供基线模型。

本研究提出了一种新方法，通过光场几何约束实现高效分割，显著提升实时处理速度，分割效果超越现有基线模型。

本研究提出了一种解缠自监督学习（DisentangledSSL）方法，有效解决了多模态表示学习中的信息解缠问题，优于基线模型，具有实用价值。

本文介绍了多模态问答挑战ManyModalQA，要求代理同时考虑文本、图像和表格三种模态。通过维基百科数据和众包问题-答案对，构建了模态选择器网络，分析问题中的指示模态词。尽管基线模型的表现与人类存在差距，但期望能推动多模态QA模型的研究与迁移学习。

本研究探讨了机器学习在临床应用中的挑战，包括透明度不足和评估指标复杂。研究表明，引入更强的基线模型可以有效提升医疗机器学习的评估，帮助实践者应对这些问题，并提供最佳实践以促进模型的有效部署。

匈牙利语资源有限，研究人员开发了HunSum-2，一个用于训练摘要模型的开源匈牙利语语料库。数据集经过清洗、预处理和去重，包括抽象和提取式摘要。研究人员使用该数据集训练了基线模型，并进行了评估。数据集、模型和代码都是公开可用的。

本研究通过增强语料库，对语音到文本翻译进行了端到端研究，实验结果表明可以训练出高效的语音转换模型。提供语料库，希望未来研究能挑战基线模型。

评估了ChatGPT和OpenAssistant两种LLM的零次效果，发现无法与经过微调的基线模型匹配。提示策略影响分类准确性，差异超过10%。

该研究对18种基线模型进行了评估，比较了它们在多个方面的表现。结果显示没有明确的最佳方法，最好的方法取决于用户的目标。

本研究提出了一种通用的多尺度框架，可改进基于Transformer的时间序列预测模型的性能。研究结果表明，该方法可将性能提高到38.5％，且优于基线模型。

xDial-Eval是一种基于英文对话评估数据集的多语言对话评估基准测试，建立了自监督和多语言基线模型。最好的基线模型在所有数据集和语言上的平均Pearson相关系数分别提升了6.5%和4.6%。